语言大模型 / LLM

Reproducing and Comparing Distillation Techniques for Cross-Encoders

复现并比较跨编码器蒸馏技术

Victor Morand, Mathias Vast, Basile Van Cooten, Laure Soulier, Josiane Mothe, Benjamin Piwowarski

专题命中 效率与部署 ：LLM(abstract)

AI总结 本文复现并比较了不同蒸馏技术在跨编码器上的效果，发现强调相对比较的目标在性能上优于传统方法。

Tracing Back Error Sources to Explain and Mitigate Pose Estimation Failures

追溯错误来源以解释和缓解姿态估计失败

Loris Schneider, Yitian Shi, Rosa Wolf, Carolin Brenner, Rudolph Triebel, Rania Rayyes

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； German Aerospace Center (DLR)（德国航空航天中心） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文提出了一种模块化框架，通过归因特定误差源并针对性缓解，提升ICP在机器人抓取任务中的鲁棒性和性能

MMTok: Multimodal Coverage Maximization for Efficient Inference of VLMs

MMTok: 为VLMs高效推理的多模态覆盖最大化

Sixun Dong, Juhua Hu, Mian Zhang, Ming Yin, Yanjie Fu, Qi Qian

专题命中 效率与部署 ：language model(abstract)

AI总结 MMTok通过多模态覆盖准则提升VLMs推理效率，结合视觉和文本信息优化标记选择，实现性能与速度的平衡。

Comments Accepted by ICLR 2026. Code: https://github.com/Ironieser/mmtok , Project Homepage: https://project.ironieser.cc/mmtok

MERG3R: A Divide-and-Conquer Approach to Large-Scale Neural Visual Geometry

MERG3R: 一种用于大规模神经视觉几何的分而治之方法

Leo Kaixuan Cheng, Abdus Shaikh, Ruofan Liang, Zhijie Wu, Yushi Guan, Nandita Vijaykumar

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 MERG3R通过分而治之的方法提升大规模神经视觉几何重建的准确性、内存效率和可扩展性。

Comments Project page: https://leochengkx.github.io/MERG3R/

VoiceAgentRAG: Solving the RAG Latency Bottleneck in Real-Time Voice Agents Using Dual-Agent Architectures

VoiceAgentRAG: 通过双代理架构解决实时语音代理中RAG的延迟瓶颈

Jielin Qiu, Jianguo Zhang, Zixiang Chen, Liangwei Yang, Ming Zhu, Juntao Tan, Haolin Chen, Wenting Zhao, Rithesh Murthy, Roshan Ram, Akshara Prabhakar, Shelby Heinecke, Caiming Xiong, Silvio Savarese, Huan Wang

机构 * Salesforce AI Research（Salesforce人工智能研究） 纠错

专题命中 效率与部署 ：LLM(abstract)

AI总结 VoiceAgentRAG通过双代理架构实现实时语音代理中RAG的延迟优化，利用预加载缓存提升检索效率。

PromptStereo: Zero-Shot Stereo Matching via Structure and Motion Prompts

PromptStereo: 通过结构和运动提示实现零样本立体匹配

Xianqi Wang, Hao Yang, Hangtian Wang, Junda Cheng, Gangwei Xu, Min Lin, Xin Yang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Optics Valley Laboratory（光谷实验室） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 PromptStereo通过结构和运动提示提升零样本立体匹配的泛化性能，提出PRU模块增强单目深度模型的潜在表示。

Comments Accepted to CVPR 2026

Leverage Knowledge Graph and Large Language Model for Law Article Recommendation: A Case Study of Chinese Criminal Law

利用知识图谱和大语言模型进行法律文书推荐：中国刑法案例研究

Yongming Chen, Miner Chen, Ye Zhu, Juan Pei, Siyu Chen, Yu Zhou, Yi Wang, Yifan Zhou, Hao Li, Songan Zhang

机构 * Global Institute of Future Technology, Shanghai Jiao Tong University（未来技术全球研究院，上海交通大学） ； Donghua University（东华大学） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI

AI总结 本文提出结合知识图谱和大语言模型的法律文书推荐方法，通过构建案例增强的知识图谱和闭环框架，提升了推荐准确性，优于现有基线方法。

Comments Paper has been accepted

MedLA: A Logic-Driven Multi-Agent Framework for Complex Medical Reasoning with Large Language Models

MedLA：基于大语言模型的复杂医学推理多智能体框架

Siqi Ma, Jiajie Huang, Fan Zhang, Yue Shen, Jinlin Wu, Guohui Fan, Zhu Zhang, Zelin Zang

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI

AI总结 MedLA是一种基于大语言模型的逻辑驱动多智能体框架，通过多轮图引导讨论实现透明推理和共识达成，有效提升复杂医学推理性能。

Comments accepted by AAAI-26 (ORAL)

Streamlining Acceptance Test Generation for Mobile Applications Through Large Language Models: An Industrial Case Study

通过大型语言模型流化移动应用的验收测试生成：一项工业案例研究

Pedro Luís Fonseca, Bruno Lima, João Pascoal Faria

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)

AI总结 AToMIC利用大型语言模型自动生成移动应用的验收测试，显著提升测试生成效率和质量。

Journal ref 2025 40th IEEE/ACM International Conference on Automated Software Engineering (ASE)

ExpGuard: LLM Content Moderation in Specialized Domains

ExpGuard: 专门领域中的大语言模型内容审核

Minseok Choi, Dongjin Kim, Seungbin Yang, Subin Kim, Youngjun Kwak, Juyoung Oh, Jaegul Choo, Jungmin Son

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Financial Tech Lab, KakaoBank Corp（Kakao银行金融科技实验室） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 ExpGuard通过专门领域的大语言模型内容审核模型，有效提升对金融、医疗和法律领域有害内容的防御能力。

Comments ICLR 2026

PRISM: Exploring Heterogeneous Pretrained EEG Foundation Model Transfer to Clinical Differential Diagnosis

PRISM：探索异构预训练EEG基础模型迁移至临床鉴别诊断

Jeet Bandhu Lahiri, Parshva Runwal, Arvasu Kulkarni, Mahir Jain, Aditya Ray Mishra, Siddharth Panwar, Sandeep Singh

机构 * Indian Institute of Technology Mandi, India（印度理工学院曼迪分校） ； NeuroDx, India（NeuroDx） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 PRISM通过异构预训练EEG模型在临床鉴别诊断中表现优异，证明多样性优于规模，揭示评估因素对模型排名的影响。

Comments 14 pages, 1 figure, 5 tables

A medical coding language model trained on clinical narratives from a population-wide cohort of 1.8 million patients

一种基于180万患者群体临床叙述的医学编码语言模型

Joakim Edin, Sedrah Butt Balaganeshan, Annike Kjølby Kristensen, Lars Maaløe, Ioannis Louloudis, Søren Brunak

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.LG

AI总结 该研究训练了一个基于180万患者电子健康记录的语言模型，以预测ICD-10代码，发现主要诊断存在系统性欠编码问题，模型可自动编码约50%的病例。

AgenticTagger: Structured Item Representation for Recommendation with LLM Agents

AgenticTagger: 基于LLM代理的结构化物品表示用于推荐

Zhouhang Xie, Bo Peng, Zhankui He, Ziqi Chen, Alice Han, Isabella Ye, Benjamin Coleman, Noveen Sachdeva, Fernando Pereira, Julian McAuley, Wang-Cheng Kang, Derek Zhiyuan Cheng, Beidou Wang, Randolph Brown

专题命中 领域大模型 ：LLM(title,abstract)

AI总结 AgenticTagger通过多代理反思机制生成高质量结构化物品表示，提升推荐系统的多样场景性能。

AI-for-Science Low-code Platform with Bayesian Adversarial Multi-Agent Framework

面向科学的AI低代码平台与贝叶斯对抗多智能体框架

Zihang Zeng, Jiaquan Zhang, Pengze Li, Yuan Qi, Xi Chen

机构 * Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化院） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） 纠错

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究提出一种面向科学的AI低代码平台，通过贝叶斯对抗多智能体框架实现代码生成与评估的协同优化，提升科学任务的可靠性和效率。

Saarthi for AGI: Towards Domain-Specific General Intelligence for Formal Verification

Saarthi 用于 AGI：迈向形式验证的领域特定通用智能

Aman Kumar, Deepak Narayan Gadde, Luu Danh Minh, Vaisakh Naduvodi Viswambharan, Keerthan Kopparam Radhakrishna, Sivaram Pothireddypalli

机构 * 1 Infineon Technologies India Private Limited, India 2 Infineon Technologies Dresden AG \& Co. KG, Germany 3 Infineon Technologies Vietnam Company Ltd., Vietnam 纠错

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 Saarthi 通过结构化规则书和 RAG 技术提升形式验证的准确性和效率

Comments Published at the DVCon U.S. 2026

OrchMAS: Orchestrated Reasoning with Multi Collaborative Heterogeneous Scientific Expert Structured Agents

OrchMAS: 基于多协作异构科学专家结构代理的协同推理

Yichao Feng, Haoran Luo, Zhenghong Lin, Yiqun Sun, Pengfei Wei, Lawrence B. Hsieh, Anh Tuan Luu

机构 * Magellan Technology Research Institute (MTRI)（Magellan技术研究 institute） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 OrchMAS通过双层多模型编排框架，实现异构科学专家代理的动态协作，提升复杂科学推理的鲁棒性和效率。

SAE as a Crystal Ball: Interpretable Features Predict Cross-domain Transferability of LLMs without Training

SAE作为水晶球：可解释特征预测LLM在跨领域迁移性无需训练

Qi Zhang, Yifei Wang, Xiaohan Wang, Jiajun Chai, Guojun Yin, Wei Lin, Yisen Wang

机构 * State Key Lab of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（通用人工智能国家重点实验室，智能科学与技术学院，北京大学） ； Meituan（美团） ； Amazon AGI SF Lab（亚马逊人工智能SF实验室） ； Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；post-training(abstract)；分类 cs.AI

AI总结 本文提出基于SAE的迁移性评分（STS），通过识别模型偏移维度预测LLM在跨领域迁移性，无需训练即可评估迁移性能。

The Science Data Lake: A Unified Open Infrastructure Integrating 293 Million Papers Across Eight Scholarly Sources with Embedding-Based Ontology Alignment

科学数据湖：整合29300万篇论文的统一开放基础设施

Jonas Wilinski

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 科学数据湖通过整合29300万篇论文，利用嵌入本体对齐技术实现跨来源数据统一，提升学术数据整合与分析效率。

Comments 18 pages, 8 figures, 7 tables. Dataset DOI: 10.57967/hf/7850. Code: https://github.com/J0nasW/science-datalake

Type-Aware Retrieval-Augmented Generation with Dependency Closure for Solver-Executable Industrial Optimization Modeling

具有依赖闭合的类型感知检索增强生成用于可执行工业优化建模

Y. Zhong, R. Huang, M. Wang, Z. Guo, YC. Li, M. Yu, Z. Jin

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种类型感知检索增强生成方法，通过强制依赖闭合确保工业优化建模的可执行性，有效解决大型语言模型在复杂工程优化中的执行难题。

QiMeng-CRUX: Narrowing the Gap Between Natural Language and Verilog via Core Refined Understanding eXpression for Circuit Design

QiMeng-CRUX: 通过核心精细化理解表达缩小自然语言与Verilog之间的差距以电路设计

Lei Huang, Rui Zhang, Jiaming Guo, Yang Zhang, Di Huang, Shuyao Cheng, Pengwei Jin, Chongxiao Li, Zidong Du, Xing Hu, Yunji Chen, Qi Guo

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 QiMeng-CRUX通过核心精细化理解表达缩小自然语言与Verilog之间的差距，提升硬件代码生成的准确性和效率。

Comments Accepted by the AAAI26 Conference Main Track

A Multi-Turn Framework for Evaluating AI Misuse in Fraud and Cybercrime Scenarios

针对欺诈和网络犯罪场景的多轮评估框架

Kimberly T. Mai, Anna Gausen, Magda Dubois, Mona Murad, Bessie O'Dell, Nadine Staes-Polet, Christopher Summerfield, Andrew Strait

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 本文提出了一种针对欺诈和网络犯罪场景的多轮评估框架，评估了当前大型语言模型在提供可操作信息方面的局限性，并揭示了安全措施和请求分解对信息提供的影响。

Density-Guided Response Optimization: Community-Grounded Alignment via Implicit Acceptance Signals

密度引导的响应优化：通过隐含接受信号实现社区导向的对齐

Patrick Gerard, Svitlana Volkova

机构 * Information Sciences Institute, University of Southern California（信息科学研究所，南加州大学） ； Aptima Inc.（Aptima公司） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 通过隐含接受信号实现社区导向的对齐，无需显式偏好标签，提升语言模型在多样社区中的适应性与表现。

Comments 27 Pages

Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification

基于指南的证据积累用于高风险代理验证

Yichi Zhang, Nabeel Seedat, Yinpeng Dong, Peng Cui, Jun Zhu, Mihaela van de Schaar

机构 * Tsinghua University（清华大学） ； University of Cambridge（剑桥大学） ； Thomson Reuters Foundational Research（汤姆森路透基础研究） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL、cs.AI

AI总结 GLEAN通过基于指南的证据积累框架，提升高风险代理决策的验证可靠性，实验显示其在AUROC和Brier分数减少方面均优于基线方法。

DeepXiv-SDK: An Agentic Data Interface for Scientific Literature

DeepXiv-SDK: 一种用于科学文献的代理数据接口

Hongjin Qian, Ziyi Xia, Ze Liu, Jianlyu Chen, Kun Luo, Minghao Qin, Chaofan Li, Lei Xiong, Junwei Lan, Sen Wang, Zhengyang Liang, Yingxia Shao, Defu Lian, Zheng Liu

机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL、cs.AI

AI总结 DeepXiv-SDK通过三层代理数据接口提升科学文献的数据访问效率，支持ArXiv语料库并提供开源工具和API。

Comments Project at https://github.com/DeepXiv/deepxiv_sdk

AlphaFree: Recommendation Free from Users, IDs, and GNNs

AlphaFree：无用户、ID和GNN的推荐系统

Minseo Jeon, Junwoo Jung, Daewon Gwak, Jinhong Jung

机构 * Soongsil University（顺斯大学） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.AI

AI总结 AlphaFree提出了一种不依赖用户、ID和GNN的推荐方法，通过语义表示替代ID，无需用户嵌入和GNN，实现高效推荐。

Comments 13 pages, The Web Conference (WWW) 2026

Improving Anomaly Detection with Foundation-Model Synthesis and Wavelet-Domain Attention

通过基础模型合成与小波域注意力改进异常检测

Wensheng Wu, Zheming Lu, Ziqian Lu, Zewei He, Xuecheng Sun, Zhao Wang, Jungong Han, Yunlong Yu

机构 * organization= School of Aeronautics ； Astronautics , addressline= Zhejiang University , city= Hangzhou , postcode= 310027 , country= China ； organization= School of Computer Science ； organization= Ningbo Innovation Center , addressline= Zhejiang University , city= Ningbo , country= China ； organization= Department of Automation , addressline= Tsinghua University , city= Beijing , postcode= 100084 , country= China ； organization= College of Information Science \& Electronic Engineering , addressline= Zhejiang University , city= Hangzhou , postcode= 310027 , country= China 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 本文提出基于基础模型的异常合成方法和小波域注意力模块，通过生成逼真异常样本和增强特征提取，提升工业异常检测的灵敏度和效率。

Tailored Behavior-Change Messaging for Physical Activity: Integrating Contextual Bandits and Large Language Models

针对体力活动的定制行为改变信息：整合上下文老虎机和大型语言模型

Haochen Song, Dominik Hofer, Rania Islambouli, Laura Hawkins, Ananya Bhattacharjee, Zahra Hassanzadeh, Jan Smeddinck, Meredith Franklin, Joseph Jay Williams

机构 * University of Toronto（多伦多大学） ； Ludwig Boltzmann Institute for Digital Health（卢德维希·玻尔兹曼数字健康与预防研究所） ； Stanford University（斯坦福大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.LG

AI总结 本文提出了一种结合上下文老虎机和大型语言模型的混合方法，用于个性化体力活动干预，通过动态上下文因素优化信息内容，提升干预效果和可解释性。

Enhancing the Interpretability of SHAP Values Using Large Language Models

利用大语言模型增强SHAP值的可解释性

Xianlong Zeng, Kewen Zhu

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 本文利用大语言模型提升SHAP值的可解释性，使非技术用户更易理解模型预测。

Comments 8 pages

SGPA: Spectrogram-Guided Phonetic Alignment for Feasible Shapley Value Explanations in Multimodal Large Language Models

SGPA: 基于频谱的语音对齐用于多模态大语言模型中可行的谢普利值解释

Paweł Pozorski, Jakub Muszyński, Maria Ganzha

机构 * Warsaw University of Technology（华沙技术大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；large language model(title)

AI总结 SGPA通过结合连接主义时间分类和频谱边界细化，实现了多模态大语言模型中可行的音频解释，显著减少了模型评估次数并保持了全局轮廓。

Comments Submitted for admission in Interspeech 2026 conference

Nodes Are Early, Edges Are Late: Probing Diagram Representations in Large Vision-Language Models

节点早于边，边晚于节点：在大规模视觉-语言模型中探测图表示

Haruto Yoshida, Keito Kudo, Yoichi Aoki, Ryota Tanaka, Itsumi Saito, Keisuke Sakaguchi, Kentaro Inui

机构 * Tohoku University（东大大学） ； Human Informatics Labs.（人文学信息实验室） ； NTT, Inc.（NTT公司） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL

AI总结 研究发现大规模视觉-语言模型在处理图结构时，节点信息早于边信息被线性编码，导致模型在理解边关系时存在困难。